面向计算机视觉的联邦学习

计算机视觉(CV)正通过利用机器学习(ML)工具处理广泛任务在社会变革中发挥重要作用。然而,训练 ML 模型所需的大规模数据集给集中式 ML 算法带来了挑战。处理所需的巨大计算负载以及在与中央云服务器上存储和处理数据相关的潜在隐私风险使这些算法承受严重压力。为解决这些问题,联邦学习(FL)已成为一种有前景的解决方案,它通过本地训练模型并交换模型以提升整体性能来实现隐私保护。此外,计算负载分布在多个客户端上,减轻了中央服务器的负担。本文据作者所知首次提出讨论 FL 在 CV 应用中近期进展的综述,并将其与常规集中式训练范式进行比较。它概述了当前 FL 在各种 CV 任务中的应用,强调 FL 的优势及在 CV 中实现的挑战。为此,本文提出了 CV 中 FL 技术的分类法,概述其应用与安全威胁。它还讨论了在 CV 任务的 FL 方案中实施区块链相关的隐私问题,并总结了现有隐私保护方法。进而,本文指出了开放的研究挑战与潜在未来研究方向,以进一步挖掘 FL 与区块链在 CV 应用中的潜力。